Analysez n'importe quelle base de code dans un environnement cloud sécurisé.

Le problème de la compréhension d’un code inconnu

Vous avez hérité d’une base de code. Ou vous évaluez une cible d’acquisition. Ou un sous-traitant est parti et personne ne sait comment le backend fonctionne réellement. Quelle que soit la raison, vous devez comprendre un grand volume de code que vous n’avez pas écrit — et vous devez le comprendre rapidement.

L’approche traditionnelle : cloner le dépôt sur votre machine locale, l’ouvrir dans votre IDE et commencer à lire. Grep pour des motifs. Suivre manuellement les appels de fonction. Ouvrir des dizaines de fichiers dans plusieurs onglets. Construire un modèle mental un fichier à la fois. Cela prend des heures. Parfois des jours. Et si la base de code contient des dépendances malveillantes ou des scripts de construction hostiles, vous venez de les exécuter sur votre propre machine.

Il existe un meilleur chemin. Un agent AI qui clone le dépôt dans un environnement cloud isolé, lit chaque fichier, cartographie l’architecture et répond à vos questions spécifiques — avec des références au code source réel. C’est ce que LikeClaw fait pour l’analyse de code.

Ce que les vrais utilisateurs font avec l’analyse de code

Un responsable d’équipe avait besoin de comprendre comment leur application iPad gérait les intégrations API, la fonctionnalité de chat et le filtrage des onglets. Ils ont dirigé l’agent vers leur dépôt privé et ont défini un délai de 5 minutes pour une analyse approfondie. L’agent a cloné via SSH, a cartographié l’ensemble de la structure du projet, a identifié la pile technologique et a expliqué comment chaque sous-système fonctionnait — en faisant référence à des fichiers et des fonctions spécifiques. Ce qui aurait pris un après-midi de lecture manuelle de code a été terminé avant que le café ne refroidisse.

Un développeur a demandé à l’agent de tracer comment les étiquettes et les catégories circulent d’un backend NestJS vers le frontend mobile. L’agent a cloné le dépôt backend, a trouvé le contrôleur pertinent, a lu l’interface ITag et a produit un document de contrat API montrant exactement quelles routes servent quelles formes de données — le tout sans que le développeur touche manuellement à la base de code. Contrôleurs, routes, interfaces, types de retour. Documentés en quelques minutes.

Un autre utilisateur a demandé franchement : “Vos recommandations sont-elles basées sur le dépôt réel, ou les avez-vous inventées ?” L’agent a répondu avec des chemins de fichiers spécifiques, des signatures de fonction et des numéros de ligne. Chaque recommandation était traçable au code source. Pas de noms de fichiers halluciné. Pas d’appels de fonction inventés. L’analyse était vérifiable car l’agent avait réellement lu le code à l’intérieur du sandbox.

Pourquoi le sandbox est important pour l’analyse de code

Lorsque vous clonez et exécutez du code localement, vous faites confiance à ce code avec l’ensemble de votre machine. Vos clés SSH. Vos variables d’environnement. Votre système de fichiers. Pour vos propres projets, ce risque est gérable. Pour des bases de code inconnues — dépendances open source, livrables de sous-traitants, cibles d’acquisition — ce n’est pas le cas.

Les recherches de Snyk ont trouvé plus de 341 compétences malveillantes dans le marché OpenClaw, avec 36 % contenant des attaques par injection de prompt. C’est l’écosystème auquel les gens accordent l’accès au dépôt. Lorsque qu’un agent AI a la permission de cloner votre dépôt privé, l’environnement d’exécution compte. Si cet agent s’exécute sur votre machine locale avec un accès système brut, une dépendance compromise dans le dépôt analysé pourrait exfiltrer vos identifiants, clés SSH ou code source d’autres projets.

LikeClaw exécute chaque analyse dans un conteneur E2B sandboxé. Le dépôt est cloné à l’intérieur du sandbox. L’analyse s’exécute à l’intérieur du sandbox. Lorsque la tâche est terminée, le sandbox est détruit. Votre machine n’est jamais exposée. Vos identifiants sont cryptés et limités à la session sandbox. Aucun mouvement latéral. Aucune persistance.

Ce que l’agent produit réellement

La sortie dépend de ce que vous demandez. Les modèles d’analyse courants des utilisateurs bêta incluent :

• Cartes d’architecture : Identification de la pile technologique, détection de framework, décomposition de la structure des répertoires, points d’entrée et graphes de dépendance
• Documentation API : Définitions de routes, formes de requête/réponse, modèles d’authentification et chaînes de middleware — extraits directement des fichiers de contrôleur et de route
• Drapeaux de qualité de code : Marqueurs TODO/FIXME, code mort, imports inutilisés, dépendances circulaires et anti-modèles de configuration
• Surface de sécurité : Identifiants codés en dur, points de terminaison exposés, validation d’entrée manquante et vulnérabilités de dépendance
• Docs d’intégration : Guides de mise en route, documentation des variables d’environnement et explications des fichiers clés pour les nouveaux membres de l’équipe

Vous pouvez poser des questions de suivi dans la même session. L’agent maintient le contexte du dépôt cloné dans votre espace de travail persistant. Demandez à propos d’un module, puis approfondissez un autre. Le code reste disponible jusqu’à ce que vous mettiez fin à la session ou que l’espace de travail soit réinitialisé.

Comment cela se compare à la lecture manuelle du code

La révision manuelle du code est approfondie mais lente. Vous êtes limité par votre propre vitesse de lecture et votre mémoire de travail. Un développeur senior examinant une base de code inconnue de 50 000 lignes pourrait avoir besoin de 2 à 3 jours complets pour construire un modèle mental confiant. Et ce modèle vit uniquement dans sa tête — il n’est pas documenté, pas consultable, pas partageable.

L’agent ne remplace pas une compréhension humaine approfondie. Mais il compresse le premier passage de jours à minutes. Vous obtenez un point de départ structuré : voici la pile technologique, voici les fichiers clés, voici comment les données circulent du point de terminaison à la base de données. À partir de là, vous pouvez concentrer votre attention humaine sur les parties qui comptent — décisions d’architecture, cas limites, logique métier — au lieu de passer des heures à simplement déterminer quels fichiers lire en premier.

Cela se marie bien avec les capacités d’exécution de code sandboxé de LikeClaw. Une fois que vous comprenez la base de code, vous pouvez exécuter des tests, exécuter des scripts et prototyper des changements — le tout dans le même environnement cloud sécurisé. Analysez d’abord, exécutez ensuite, sans jamais exposer votre machine locale.

Pour qui c’est destiné

Les responsables d’ingénierie évaluant les livrables de sous-traitants. Les CTO effectuant une diligence technique sur des acquisitions. Les développeurs intégrant des projets hérités. Les équipes de sécurité auditant du code tiers. Quiconque a besoin de comprendre une base de code qu’il n’a pas écrite, sans passer des jours à la lire manuellement et sans exécuter de code inconnu sur son propre matériel.

Aucune configuration. Tarification prévisible. Sandboxé du début à la fin. Votre code entre, votre analyse sort, et le sandbox disparaît.